Disney+ 为了更好地服务国际市场，新增了对 17 种音频语言的支持，总语言数达到 58 种。用户界面支持 30 多种语言，字幕提供 42 种语言，更新包括阿拉伯语和希伯来语的右到左界面，强调了本地化在全球流媒体平台的重要性。

Video-LLaMA架构包含视觉-语言和音频-语言两个分支。视觉-语言分支使用Webvid-2M数据集进行预训练，模型生成内容能力强，但指令遵循能力较弱，因此需要微调。第一阶段冻结视觉编码器，使用可训练的视频Q-Former处理帧输入。